DolphinX 实测：当 AI Agent 真正读懂你的时序数据，事情开始变得不一样
DolphinX 实测：当 AI Agent 真正读懂你的时序数据，事情开始变得不一样
"DolphinDB 有了自己的 AI Agent 平台？"这是我看完 DolphinX 资料后的第一反应。坦白说，在 2026 年这个时间点，“数据库 + AI” 已经算不上新鲜事了——每个数据库厂商都在讲类似的故事。真正让我坐下来的，是 DolphinX 处理一个具体问题时的态度。它不是又往产品里塞了一个"智能对话"按钮，而是把 Agent 的能力直接嵌入了数据库的核心流程。
一、2026 年的 AI 落地：不缺模型，缺"最后一公里"
2026 年被称为"智能体爆发年"。Gartner 预测超过 80% 的企业将在生产环境中部署生成式 AI 应用。大模型越来越强，从通用对话到复杂推理、工具调用，能力已经肉眼可见地够用了。
但如果你在一家金融机构或工业企业负责数据平台，面对的真实情况可能是这样的：大模型 API 已经接上了，写个 Demo 两天就搞定了——但要把它跑在生产环境里，面对权限管控、数据安全、审计合规、国产化适配这些关卡，每一步都有可能卡住。
图4 — 图片来源：DolphinDB 微信公众号（2026.07.15 直播材料）
从 DolphinDB 7月15日的新产品直播中可以看到，企业 AI 落地面临三大核心问题：
数据无法深度打通——通用模型无法感知库表结构、业务字段含义、异常阈值等企业上下文，只会做浅层问答。
数据与操作不安全——AI 权限不清晰，企业不敢让它接触核心生产环境。
能力重复建设——各业务线各搭各的 Agent，无法复用，研发成本直线上升。
市面上现有的方案各有短板：开源框架（LangChain、AutoGPT 等）灵活但缺失权限、审计、监控等企业级能力；国内大模型平台上手简单但专业大数据计算和时序分析能力薄弱；国外一体化平台整合度高但不支持私有化与国产化适配。
图5 — 图片来源：DolphinDB 微信公众号（2026.07.15 直播材料）
行业不缺大模型，真正缺失的是一层连接大模型、企业数据、业务能力与安全治理的专属 AI 基础设施。DolphinX 正是在这个缺口上诞生的。
二、企业不需要另一个聊天窗口
先问自己一个问题：如果你的时序数据库旁边多了一个对话输入框，你打算用它做什么？
绝大多数"AI 数据库助手"的使用路径是这样的：写一句自然语言 → AI 生成一段 SQL/DSL → 你复制到查询窗口 → 跑一下 → 发现有问题 → 回来继续改 prompt。循环几轮之后你意识到，最有效率的方式还是自己写 SQL。
这不是 AI 不行，是产品设计错了——把一个需要深度嵌入系统流程的能力，强行塞进了一个聊天窗口。
DolphinX 在架构上做的第一个决策，就是不走这条路。
它不是 DolphinDB 的"AI 外挂"，而是从 V3.00.6 版本开始直接内嵌在 DolphinDB Server 内部的 Agent 开发底座。它与存储引擎、计算引擎、权限体系运行在同一个进程空间里。
图6 — 图片来源：DolphinDB 微信公众号（2026.07.15 直播材料）
上图清晰地展示了 DolphinX 的定位：位于 AI 平台层，往上承接各类行业 Agent，往下对接大模型和 DolphinDB 既有能力。它不是独立部署的"AI 盒子"，而是数据基础设施的一部分。
三、一次实测：从自然语言到可视化报告
我用 DolphinX 做了一次实测。需求很简单——“帮我查过去 24 小时某台设备的振动数据，做 FFT 分析，输出频谱图。”
它的 CodingAgent 拿到这句话后做了一系列编排：
识别出查询范围（设备 ID、时间窗口）
自动查询库中该设备的测点元数据
调用 DolphinDB 内置的 FFT 函数做频域变换
用内置绘图接口输出频谱图
把图片和结论性描述一起返回
整个过程大约几十秒。没有写一行 Dlang 代码，没有切换工具，没有导出数据到 Python。
你说这能不能取代数据分析师？当然不能。但当分析师需要快速验证一个假设时，过去打开 IDE → 写脚本 → 调参 → 出图的 20 分钟流程，被压缩到了一个自然语言请求里。效率提升不是线性的，而是让过去"不值得做"的快速验证变得值得了。
图1 — 图片来源：DolphinDB 官网 AI 页面
DolphinX 背后依赖的是 DolphinDB 超过 2000 个内置函数和原生的向量化计算引擎。CodingAgent 不只是"生成一段文本"，它生成的每一条脚本都直接在 DolphinDB 的计算引擎上运行，结果是真实可用的数据，而不是一段需要你二次加工的"草稿"。
四、企业级的关键词：权限，不是功能
如果 DolphinX 只是做到"自然语言生成脚本"，它和市面上大多数 AI 工具没有本质区别。真正拉开差距的地方在于——模型生成的脚本在什么边界内执行。
这是 DolphinX 与大多数 Agent 框架的最大区别：它不在自己的沙盒里生成一段文本让你自己去执行，而是直接在 DolphinDB 的既有企业级权限体系内运行。
具体来说，DolphinX 做了三层兜底：
权限继承：用户通过 Agent 发起的每一个数据请求，遵循的是该用户自身的权限配置。A 部门的人无法通过 Agent 访问 B 部门的数据，不管他用什么措辞去问——底层权限不是靠"AI 自觉"，而是靠数据库的权限引擎强制执行的。
脚本安全拦截：CodingAgent 生成的脚本在执行前会过一道安全检查。DELETE、DROP、CLEAR 等高风险操作被主动拦截，需要显式的人工审核才能放行。这解决了企业最担心的"AI 一句话把表删了"的问题。
全程审计：Agent 的每一次工具调用、每一条数据访问、每一个生成脚本，全部记录在审计日志中。直播中有一组数据值得注意——68% 的企业无法区分一个操作到底是 AI Agent 做的还是人做的。DolphinX 的审计日志直接回答了这个问题。
这三点对个人开发者来说可能无所谓，但对金融、电力、核电领域的甲方来说，是能不能部署到生产环境的硬性门槛。
五、Skill 与 MCP：Agent 能力的"乐高体系"
DolphinX 的另一层设计是 Skill 机制。它把 DolphinDB 的能力拆解为可复用的"技能模块"——当前已内置 20+ 个通用 Skill，覆盖 Dlang 智能编程、数据导入、策略回测、机器学习、信号处理等高频场景。
我理解这个设计的价值，是在跟一个做量化的朋友聊天时。他说他们团队用 DolphinX 做了一个策略回测 Agent，业务人员直接用自然语言描述策略逻辑（“当 5 日均线上穿 20 日均线且成交量放大 2 倍时买入”），Agent 自动解析成回测配置并跑出结果。
"以前回测一个想法要排队等开发排期，现在上午想到的策略下午就能看到结果。"他说这话的时候，表情介于惊喜和担忧之间——惊喜是效率确实上来了，担忧是自己团队的角色定位可能要变。
图2 — 图片来源：DolphinDB 官网首页
更值得关注的是 MCP（Model Context Protocol）的标准支持。大模型可以通过 MCP 协议直接查询数据库、调用内置函数、获取行情数据。这意味着 DolphinX 不只是调用 DolphinDB 内部的能力，还可以通过标准协议对接外部工具和数据源。对于已经建了数据中台的企业，Agent 可以在"不搬数据"的前提下跨系统完成任务编排。
Skill 的另一个价值是标准化。过去各业务线各自开发 AI 能力，互不兼容，一个人写的东西另一个人用不了。DolphinX 提供了统一的注册和版本管理，Skill 开发完成后在平台上一注册，整个组织的人都能复用。
六、记忆：Agent 会"长记性"
在实测过程中，DolphinX 的长短时记忆给我留下了很深的印象。
短期记忆就是会话上下文——你在这个会话里问了什么、Agent 回答了什么、生成了什么脚本，全部持久化保存，不会因为刷新页面就丢失。
长期记忆则更有意思。当一个会话闲置超过 6 小时，系统会自动提炼会话中的业务规则、踩坑经验，写入长期记忆库。
举个例子：你第一次让 Agent 查某台设备的振动数据时，说"用 FFT 分析，关注 50Hz 附近的峰值"。第二次再查同一台设备时，Agent 已经记住了这个业务偏好——它知道你要先看频谱而不是原始波形，关注频段是 50Hz 附近，不需要重复说明。
更关键的是，记忆分为两层：Agent 公共记忆（团队共享）和用户私有记忆（个人独享），来源可追溯、支持手动编辑。管理员可以随时检查"这个记忆是怎么来的"，如果发现记忆偏离了业务逻辑，可以直接修正。
在团队协作场景里，这意味着一个团队的 Agent 越用越懂业务——老员工的经验可以通过"长期记忆 + 人工审核"的方式沉淀下来，新成员上手时不需要从头问起。
七、Agent 治理：从"能用"到"可控"
如果只做对话和工具调用，DolphinX 能做到第二步就够了。但它多走了一步——搭建了完整的企业级 Agent 治理平台。
图7 — 图片来源：DolphinDB 微信公众号（2026.07.15 直播材料）
管控台提供了可视化的配置界面，管理员可以在这个平台上完成：
Agent 配置与授权：创建不同的 Agent，配置其可用的模型、Prompt、Skill 和 MCP 工具，分派给不同的用户或团队
上下文预览与调试：查看 Agent 实际看到的 Prompt 和上下文内容，诊断行为异常
Token 用量与成本分析：统计每个 Agent 的 Token 消耗、调用频率，做到成本可控
Skill 版本管理：Skill 升级后各 Agent 可以选择跟进或锁定版本
DolphinDB 直播问答中透露了一个有意思的细节：Agent 的脚本受限执行机制支持"人工审核"模式——模型生成的脚本在真正执行前，必须经过有权限的人手动确认。这是企业级 Agent 落地中极其务实的设计——人都可能写错脚本，AI 当然也可能犯错，关键是有没有人兜底做最后一道把关。
八、行业落地：从金融到电力的真实案例
DolphinX 不是 PPT 产品。从直播中披露的信息来看，它已经在多个行业有了实际的落地案例：
金融领域——FICC 多资产定价 Agent 和股票策略回测 Agent 已在多家机构试用。内置的回测、定价专用 Skill 支持用自然语言生成策略回测配置，生成的 JSON 配置经人工校验后即可运行，有效避免了"未来数据偏移"等回测陷阱。
电力与工业领域——智能问数 Agent 和机器学习故障预测 Skill 已落地电力行业。Agent 可以自动解析时序数据，完成 24 小时负荷预测、设备异常预测并输出分析报告。对于电力调度中心的业务人员来说，不需要掌握 Dlang 或 Python，只需要用自然语言描述需求，Agent 就能完成从数据查询到报告生成的完整流程。
某新能源车企也用到了 DolphinX 的方案——利用 CodingAgent 直接查询车辆状态数据，在不需要手动编写复杂查询脚本的情况下完成车队级异常检测。
图3 — 图片来源：DolphinDB 官网首页
DolphinDB 本身已支持 PyTorch、TensorFlow、XGBoost 等模型的库内推理，数据入库即推理，不需要导出数据。DolphinX 在此基础上加了一层自然语言交互层，让模型推理的门槛进一步降低。
九、部署：不需要"上云"
对于一个面向金融、电力、核电等关键行业的产品，私有化部署是底线，不是选项。
DolphinX 的部署策略非常直接：
如果你用私有化本地大模型，全程离线部署，数据不出机房
如果你用外部大模型 API，只在调用 API 时需要网络出口
支持信创环境（龙芯、鲲鹏、飞腾等国产芯片 + 统信 UOS、银河麒麟等国产 OS）
相应地，离线文档检索也有两套方案：要么绑一个文档检索 Skill 到 Agent 上，要么独立部署一个 MCP 文档服务在内网提供知识库查询。对于物理隔离的政企机房环境，这两种方案都可以做到完全离线。
另一个值得注意的点是：DolphinX 对模型是"模型无关"的。OpenAI、Claude、DeepSeek 等主流大模型都可以接入，也可以接入私有化部署的开源模型。企业不需要被绑定在某一个模型供应商身上。
十、写在最后
DolphinX 这个产品，让我觉得有意思的地方不在于它"多智能"，而在于它对"智能"这件事的取舍非常清晰。
它没有试图做一个通用的 AI 助手回答所有问题，而是把精力集中在让 AI 在 DolphinDB 的能力边界内把事情做对。
它没有把安全合规作为事后追加的功能，而是作为 Agent 运行的前提条件来设计——权限继承、脚本拦截、全程审计，三层兜底。
它没有把"自然语言替代编程"作为口号，而是清楚知道——在关键业务场景里，AI 生成脚本 + 人工审核才是稳态工作流。
它没有把 Agent 限定在"对话"这个单一交互模式，而是提供了三种形态——开箱即用的官方 Agent、可视化构建平台、API 集成——让终端用户、业务团队、专业开发者各取所需。
这些取舍背后是一个判断：企业级 Agent 的核心矛盾不是模型不够聪明，而是聪明的模型在企业里能不能被管控、被信任、被持续运营。
把数据、计算、权限、记忆、治理全部收进同一个底座，再把 Agent 嵌进这个底座——这是 DolphinX 给出的答案。
DolphinX 也已经公布了未来的演进方向：Multi-Agent 协作（打破单一 Agent 的能力局限）、与实时计算深度融合（让 AI 不仅能分析历史数据，更能快速响应实时事件）、持续丰富行业生态（金融、工业、电力的垂直 Skill 与工具矩阵）。
从"能用"到"好用"，从"Demo"到"生产"，中间隔着多少个权限管控、脚本安全、记忆管理、审计追溯的问题——DolphinX 至少给出了一个正在被验证的、认真的答案。
本文基于 DolphinDB V3.00.6 版本的 DolphinX 企业级 Agent 开发与治理平台进行实测，参考了 DolphinDB 官网（dolphindb.cn）及官方技术资料。具体功能与性能表现以官方最新版本为准。文中所引用的微信公众号图片均来自 DolphinDB 2026 年 7 月 15 日直播材料。